最近最大的新闻,莫过于OpenAI发布GPT4o,掀起了国内的一片狂欢,正如OpenAI官网博客所言,GPT-4o(“o”代表“omni”)是迈向更自然的人机交互的一步,其接受文本、音频和图像的任意组合作为输入,并生成文本、音频和图像的任意组合输出
当然,狂欢之余,我们还是回到技术本身,谈谈2个问题。
一个是目前RAG都有哪些综述,四大综述?一个是关于行业大模型的一些有趣总结,关于一个技术报告,会是在产研上的一个总结性结论。
供大家一起参考。
问题1:目前RAG都有哪些综述,四大综述?
实际上,RAG当前的一些总结新性的论文越来越多,在同质化的同时,也有一些差一点。一路看过来,昨天已经达到了4个,几乎每个月一个,下面从时间先后顺序进行处理,大家可以看看。
1、2023年12月综述
《Retrieval-Augmented Generation for Large Language Models: A Survey》
这篇综合性综述论文对RAG范式的发展进行了详细的研究,包括Naive RAG、Advanced RAG和Modular RAG,仔细研究了RAG框架的三个基础概念,包括检索、生成和增强技术。该论文重点介绍了这些关键组件中蕴含的sota方案,以及最新的评估框架和基准。
最后,该工作阐述了当前面临的挑战,并指出了未来的研究和发展方向。
地址:https://arxiv.org/abs/2312.10997
2、2024年2月综述
《Retrieval-Augmented Generation for AI-Generated Content: A Survey》
该工作全面回顾了将RAG技术整合到AIGC场景中的现有工作。首先根据检索器如何增强生成器对RAG基础进行分类,提炼出各种检索器和生成器增强方法的基本原理。
此外,总结了RAG的其他增强方法,以促进RAG系统的有效工程设计和实施。最后,还介绍了RAG的基准,讨论了当前RAG系统的局限性,并提出了未来研究的潜在方向。
地址:https://arxiv.org/abs/2402.19473,https://github.com/hymie122/RAG-Survey
3、2024年4月综述
《A Survey on Retrieval-Augmented Text Generation for Large Language Models》
随着RAG的复杂性不断增加,并纳入了可能影响其性能的多个概念,该工作将RAG范式分为四个类别:检索前、检索、检索后和生成,从检索的角度提供了详细的视角。
该工作首先概述了RAG的演变过程,并通过对重要研究的分析讨论了该领域的进展。此外,还介绍了RAG的评估方法,解决了面临的挑战,并提出了未来的研究方向。通过提供一个有条理的框架和分类,本研究旨在整合现有的RAG研究,澄清其技术基础,并强调其扩大LLM适应性和应用的潜力。
地址:https://arxiv.org/pdf/2404.10981
4、2024年5月份综述
《A Survey on RAG Meets LLMs: Towards Retrieval-Augmented Large Language Models》
该工作全面回顾了检索增强大型语言模型(RA-LLMs)方面的现有研究,涵盖了三个主要技术视角:架构、训练策略和应用。先简要介绍了LLM的基础和最新进展。然后,为了说明RAG对LLMs的实际意义,按应用领域对主流相关工作进行了分类,具体详述了每个领域所面临的挑战以及RA-LLMs(Retrieval-Augmented Large Language Models)的相应能力。
最后,为了提供更深入的见解,讨论了当前的局限性和未来研究的几个有前途的方向。
地址:https://arxiv.org/pdf/2405.06211
问题2:关于行业大模型的一些有趣总结
昨天看到腾讯研究院发布的《腾讯发布业界首份行业大模型调研报告:向 AI 而行,共筑新质生产力》(https://mp.weixin.qq.com/s/dxtKDqch3wMlW781exb51w),读下来,很有收获,推荐大家看看原文,其中有些重点可以看看。
行业大模型的构建和应用中,由于需求和目标不同,技术实现复杂性差异也较大。通过调研总结,目前机构在使用大模型适配行业应用过程中,从易到难主要有提示工程、检索增强生成、精调、预训练四类方式。
在机构的具体实践中,通常不会只用一种方式,而会组合使用,以实现最佳效果。例如,一个高质量的智能问答系统,会综合使用提示工程、检索增强生成和精调等方式。
而在行业应用场景上,该报告也做了梳理,也很不错,如下:
而怎么衡量一个行业模型是否成功,也可以进一步的总结成几个衡量原则,例如:
总结
本文主要围绕RAG综述以及行业模型的两个问题进行了总结,一个是目前RAG都有哪些综述,四大综述?一个是关于行业大模型的一些有趣总结。最近的总结都多了起来,并且都开始回归冷静。大家可以多看看,会有所收获。
如何系统的去学习大模型LLM ?
大模型时代,火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业
?”“谁的饭碗又将不保了?
”等问题热议不断。
事实上,抢你饭碗的不是AI,而是会利用AI的人。
继科大讯飞、阿里、华为
等巨头公司发布AI产品后,很多中小企业也陆续进场!超高年薪,挖掘AI大模型人才! 如今大厂老板们,也更倾向于会AI的人,普通程序员,还有应对的机会吗?
与其焦虑……
不如成为「掌握AI工具的技术人
」,毕竟AI时代,谁先尝试,谁就能占得先机!
但是LLM相关的内容很多,现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学,学习成本和门槛很高。
针对所有自学遇到困难的同学们,我帮大家系统梳理大模型学习脉络,将这份 LLM大模型资料
分享出来:包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程
等, 😝有需要的小伙伴,可以 扫描下方二维码领取🆓↓↓↓
一、LLM大模型经典书籍
AI大模型已经成为了当今科技领域的一大热点,那以下这些大模型书籍就是非常不错的学习资源。
二、640套LLM大模型报告合集
这套包含640份报告的合集,涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
三、LLM大模型系列视频教程
四、LLM大模型开源教程(LLaLA/Meta/chatglm/chatgpt)
LLM大模型学习路线 ↓
阶段1:AI大模型时代的基础理解
-
目标:了解AI大模型的基本概念、发展历程和核心原理。
-
内容:
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例
阶段2:AI大模型API应用开发工程
-
目标:掌握AI大模型API的使用和开发,以及相关的编程技能。
-
内容:
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望
阶段3:AI大模型应用架构实践
-
目标:深入理解AI大模型的应用架构,并能够进行私有化部署。
-
内容:
- L3.1 Agent模型框架
- L3.2 MetaGPT
- L3.3 ChatGLM
- L3.4 LLAMA
- L3.5 其他大模型介绍
阶段4:AI大模型私有化部署
-
目标:掌握多种AI大模型的私有化部署,包括多模态和特定领域模型。
-
内容:
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
这份 LLM大模型资料
包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程
等, 😝有需要的小伙伴,可以 扫描下方二维码领取🆓↓↓↓